JUMLAH TOTAL 434.461 90.38 524.841 Sumber : Dispenduk Capil Kota Semarang, 2014
3.5 Metode Analisis
3.5.1 Deteksi Penyimpangan Asumsi Klasik
Deteksi penyimpangan asumsi klasik dilakukan dalam analisis regresi berganda dengan metode OLS, maka Deteksi model terhadap asumsi klasik harus dilakukan. Deteksi penyimpangan asumsi klasik yang dilakukan antara lain: 3.5.1.1 Deteksi Normalitas
Deteksi normalitas dilakukan bertujuan untuk menguji apakah variabel pengganggu memiliki distribusi normal atau tidak. Perlunya uji normalitas disebabkan pada analisis parametrik asumsi yang harus dimiliki oleh data yaitu bahwa data yang digunakan dalam penelitian akan mengikuti bentuk distribusi normal. Dalam regresi, model yang baik memiliki distribusi normal atau yang mendekati. Melihat probability plot merupakan cara untuk membandingkan distribusi dari data yang sesungguhnya dengan distribusi kumulatif dari distribusi normal. Di samping itu, pengambilan kesimpulan dengan melihat tampilan grafik histogram juga bisa menjadi acuan, apabila histogram memiliki kemiripan dengan genta atau titik variance secara umum mengikuti garis diagonal, menunjukkan
46
model regresi memenuhi asumsi normalitas yang memiliki arti data layak pakai (Ghozali, 2006).
3.5.1.2 Deteksi Multikolinearitas
Penggunaan uji multikolinearitas adalah untuk melihat hubungan linear antar variabel independen. Dalam asumsi regresi linear klasik, antar variabel independent tidak diijinkan uantuk saling berkolerasi. Terdapatnya multikolinearitas akan menyebabkan besarnya varian koefisien regresi yang berdampak pada lebarnya interval kepercayaan terhadap variabel bebas yang digunakan.
Ada beberapa indikator yang dapat digunakan untuk mendeteksi gejala multikolinearitas dalam suatu persamaan regresi (Gujarati, 2007) antara lain:
1. Nilai R2 yang dihasilkan suatu estimasi model yang sangat tinggi, tetapi variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
2. Menganalisis matrik korelasi yang cukup tinggi (umumnya di atas 9,0) sehingga hal ini merupakan indikasi adanya multikolinearitas.
3. Melalui nilai tolerance dan nilai variance inflation factor (VIF). Suatu model regresi bebas dari masalah multikolinearitas apabila nilai tolerance kurang dari 0,1 dan nilai VIF lebih dari 1,0.
3.5.1.3Deteksi Heteroskedasitas
Penggunaan uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terdapat ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainnya. Apabila variance dari residual satu pengamatan ke
47
pengamatan lain tetap, maka hal tersebut disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Suatu model yang baik adalah model yang terdapat homoskedastisitas atau tidak terjadi atau terdapat heteroskedastisitas.
Dalam penelitian ini akan digunakan dua jenis metode untuk mendeteksi heteroskedastisitas.
3.5.1.4Deteksi Autokolerasi
Autokolerasi adalah kondisi dimana variabel gangguan pada periode tertentu berkorelasi dengan variabel gangguan pada periode lain, dapat dikatakan bahwa variabel gangguan yang tidak random. Ada beberapa penyebab terjadinya autokolerasi, diantaranya kesalahan dalam menentukan model penggunaan lag pada model, tidak memasukkan variabel yang penting. Autokolerasi ini sendiri mengakibatkan parameter yang diestimasi menjadi bias dan variannya tidak meminimum, sehingga tidak efisien (Gujarati, 2007).
3.5.1.5 Durbin-Watson Test
Penggunaan uji Durbin-Watson hanya untuk autokorelasi tingkat satu dan mensyaratkan adanya intercept dalam model regresi dan tidak terdapat variabel lag di antara variabel independen (Ghozali, 2006). Adapun hipotesis yang akan diuji yakni:
H0 : tidak ada autokorelasi (r = 0) HA : ada autokorelasi (r ≠ 0)
48
Hipotesis nol Keputusan Jika
Tdk ada autokorelasi positif Tolak 0 < d < dl Tdk ada autokorelasi positif No desicision Dl ≤ d ≤ du Tdk ada autokorelasi negative Tolak 4 – dl < d <4 Tdk ada autokorelasi negative No decision 4 –du ≤ d ≤ 4 – dl
Gambar 3.1 Durbin-Watson Test
Ho = tidak ada autokorelasi positif H*o = tidak ada autokorelasi negatif Sumber: Gujarati, 2003
Sedangkan untuk pengujian Breusch-Godfrey Serial LM Test dapat dilihat dari nilai probabilitas Obs*R-squared yang dihasilkan. Jika nilai probabilitas Obs*R-squared lebih besar dari taraf nyata tertentu maka persamaan ini tidak memiliki nilai autokorelasi atau tidak ada autokorelasi. Namun, jika nilai probabilitas Obs*R-squared yang dihasilkan kurang dari taraf nyata tertentu, maka persamaan ini memiliki nilai autokorelasi.
f (d) Menolak H*o bukti Autokorelasi Negatif Daerah Keragu-raguan Menerima Ho atau
H*o atau Kedua-duanya Daerah Keragu-raguan Menolak Ho bukti Autokorelasi Positif d 4 4-dl 4-du du dl 0
49 3.5.2 Uji Statistik Analisis Regresi
Sebuah model yang lepas dari Deteksi asumsi klasik, kemudian dilanjutkan dengan sebuah justifikasi statistik. Justifikasi statistik adalah uji giving goodness of fit model yang menyangkut ketepatan sebuah fungsi regresi sampel dalam menaksir nilai aktual dengan melihat goodness of fit. Secara statistik, setidak-tidaknya ini dapat diukur dari nilai koefisien determinasi, nilai statistik F dan nilai statistik (Ghozali, 2006).
3.5.2.1 Koefisien Determinasi
Koefisien determinasi (R2) mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi yaitu antara nol dan satu. Nilai R2 yang kecil artinya variabel-variabel independen memiliki kemampuan dalam menjelaskan variasi variabel dependen amat terbatas. Jika nilai mendekati satu artinya variabel-variabel independen mampu memberikan hampir semua informasi yang dibutuhkan untuk memperkirakan variasi variabel dependen. Hal yang menjadi kelemahan koefisien determinasi yaitu bias terhadap jumlah variabel independen yang dimasukkan kedalam setiap model. Ketika ada tambahan satu variabel independen, maka R2 secara langsung akan meningkat tidak perduli apakah variabel tersebut memiliki pengaruh secara signifikan terhadap variabel independen. Sehingga banyak peneliti menganjurkan untuk menggunakan Adjusted R2 ketika mengevaluasi mana model regresi yang terbaik. Berbeda dengan R2, nilai Adjusted R2 dapat naik atau turun apabila satu variabel independen ditambahkan kedalam model (Ghozali, 2006)
50 3.5.2.2 Uji Signifikansi Simultan (Uji F)
Uji signifikansi simultan, dalam penggunaannya bertujuan untuk menunjukkan apakah keseluruhan variabel independen memiliki pengaruh terhadap variabel dependen. Hipotesisnya dapat dituliskan sebagai berikut (Gujarati, 2007):
Ho: β0, β1, β2, β3, β4, β5 = 0
Artinya seluruh variabel independen tidak berpengaruh secara signifikan terhadap variabel dependen.
Hi : β0, β1, β2, β3, β4, β5 ≠ 0
Artinya setiap variabel independen dalam penelitian berpengaruh secara signifikan terhadap variabel independen.
Rumus yang digunakan dalam Uji F ini adalah sebagai berikut:
………. (3.2)
dimana:
R2 = Koefisien determinasi
N = Jumlah Observasi
k = Jumlah Variabel
Sedangkan kriteria Deteksinya yaitu:
51
Apabila F hitung > F tabel, maka H1 diterima dan H0 ditolak. 3.5.2.3 Uji Hipotesis secara Parsial (Uji - T)
Deteksi Uji-t digunakan bertujuan untuk menunjukkan apakah masing-masing variabel independen berpengaruh terhadap variabel dependen. Perumusan hipotesisnya yaitu:
H0: β1 = 0
Artinya variabel independen secara parsial tidak berpengaruh terhadap variabel dependen.
H1: β1 > 0
artinya bahwa variabel independen secara parsial berpengaruh positif dan signifikan terhadap variabel dependen.
Dalam Deteksi hipotesis dengan uji-t digunakan rumus:
t = (3.3)
dimana:
βi : Koefisien Regresi
Se (βi) : Standart error koefisien regresi
Sedangkan kriteria Deteksinya yaitu:
Apabila t hitung > t statistik, maka H0 ditolak dan Hi diterima. Apabila t < t statistik, maka H0 diterima dan Hi ditolak.